TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #198 · 1.02

Ровно месяц пишу посты в ВК и в Телеграм каждый день. Заметил, что: — в ВК очень много активности людей, сильно больше, чем в Телеграме: комментарии, лайки, репосты, прямо активизировалось; — но в Телеграме хоть и скудно, однако подписчики приходят, а в ВК с этим всё очень плохо. Вывод пока такой: ВК, судя по охватам, периодически крутит меня на широкую аудиторию, но этой аудитории пофигу. Ей либо не интересно, либо уже никто не воспринимает подписку ВК как существующее действие. Просто не знают люди, что это значит — подписаться на чью-то личную страницу ВК. Однако та аудитория, которая уже меня читает, с удовольствием вступает в диалоги, лайкает, репостит, и вообще явно скучает по какой-то такой сетевой активности. Это приятно, встречается прям очень много классных обсуждений, и даже на скользкие темы люди говорят в основном без перехода границ вежливости. В Телеграме же народ в среднем пассивнее, но зато подписка воспринимается нормально. Возможно как раз эта самая читающая аудитория из ВК потихоньку перетекает в Телеграм, но пока ещё не привыкла активно комментировать там. Хотя, надо признать, что механизм комментариев к каналам в Телеграме сделана очень плохо и неудобно, это тоже может останавливать. Ещё за этот месяц я поучаствовал в одном обсуждении у знакомой в ВК, и там прям параллельная вселенная — люди примерно моего возраста на полном серьёзе утверждали, что активность среди пишущих друзей у них ВК не упала за последние годы, а что такое этот наш Телеграм они знать не хотят. Впрочем, там же были фразы типа «Каналы это неудобно, потому что в них нет обсуждений», то есть да, народ из прошлого. Но сам факт, что есть ещё где-то подобные пузыри, удивил. Эксперимент продолжаем. #web

Hashtags

Резултати

Намерени 3 подобни публикации

Търсене: #quantization

当前筛选 #quantization清除筛选
GitHub Trends

@githubtrending · Post #14747 · 25.05.2025 г., 11:30

#python#deep_learning#intel#machine_learning#neural_network#pytorch#quantization Intel Extension for PyTorch boosts the speed of PyTorch on Intel hardware, including both CPUs and GPUs, by using special features like AVX-512, AMX, and XMX for faster calculations[5][2][4]. It supports many popular large language models (LLMs) such as Llama, Qwen, Phi, and DeepSeek, offering optimizations for different data types and easy GPU acceleration. This means you can run advanced AI models much faster and more efficiently on your Intel computer, with simple setup and support for both ready-made and custom models. https://github.com/intel/intel-extension-for-pytorch

GitHub Trends

@githubtrending · Post #15091 · 24.08.2025 г., 11:30

#python#comfyui#diffusion#flux#genai#mlsys#quantization Nunchaku is a fast and efficient engine that runs 4-bit neural networks using a special method called SVDQuant, which compresses models to use less memory and speed up processing by 2 to 5 times compared to older methods. It supports advanced AI models for tasks like high-quality text-to-image generation and image editing, working best on modern NVIDIA GPUs. You can easily install and use it with ComfyUI, and it has active community support on Slack, Discord, and WeChat. This means you can generate or edit images quickly with less computing power, saving time and resources. It also offers tutorials and example workflows to help you get started smoothly. https://github.com/nunchaku-tech/ComfyUI-nunchaku

GitHub Trends

@githubtrending · Post #15385 · 02.01.2026 г., 12:30

#python#deep_learning#inference#openai#quantization#speech_recognition#speech_to_text#transformer#whisper Faster-Whisper is a fast version of OpenAI's Whisper that transcribes audio up to 4x quicker with the same accuracy, using less memory on CPU or GPU—benchmarks show it beats original Whisper (e.g., 1m03s vs 2m23s for 13-min audio on GPU). Install via `pip install faster-whisper`, no FFmpeg needed, and use simple Python code like `WhisperModel("large-v3").transcribe("audio.mp3")` for segments with timestamps. You benefit by getting quick, efficient speech-to-text for real-time apps, saving time and resources on long files or batches. https://github.com/SYSTRAN/faster-whisper